Robotlar sanal dünyada nasıl eğitiliyor?

Cambridge merkezli bir İngiliz girişimi, robotları sanal ortamlarda eğiterek gerçek dünyada daha hızlı ve güvenli görev yapmalarını sağlamayı amaçlıyor. Vsim adlı şirketin kurucuları Michelle Lu ve Kier Storey, geliştirdikleri yazılımın bir gün evlerde ve iş yerlerinde kullanılabilecek robotları kontrol edebileceğini umuyor.

BBC Business'a konuşan ekipten edinilen bilgilere göre, Freddo adlı robot ofiste yürüyerek bir çalışanın uzattığı plastik şişeyi alabiliyor. Bu, bir robotun geçtiğimiz günlerde Usain Bolt'un 100 metre rekorunu kırmasına kıyasla çok daha mütevazı bir başarı gibi görünse de, Freddo'nun yürümeyi öğrenmesi, şişeyi tanıması ve kavraması yalnızca birkaç dakika sürdü. Geliştiricilere göre rakip sistemlerin bu becerileri kazanması günler alabiliyor.

Sanal simülasyon nedir, nasıl çalışır?

Vsim'in geliştirdiği yöntem, görevlerin bilgisayar simülasyonunda milyonlarca kez tekrarlanmasına dayanıyor. En uygun çözüm (politika olarak adlandırılıyor) bulunduğunda bu çözüm yüklenerek Freddo gibi donanımlarda kullanılabiliyor. Bu tür sanal simülasyonlar robot eğitiminde yaygın bir yöntem. Teknoloji devi Nvidia'nın da Isaac Sim adlı benzer bir sistemi bulunuyor; Lu ve Storey bu sistemin erken bir sürümünde çalışmıştı.

İkili, 2022'de kendi eğitim ortamlarını ve araçlarını kurmak için Vsim'i kurmaya karar verdi. Sıfırdan başladıkları için yazılımı, yapay zekâda kullanılan güçlü bilgisayar çipleri olan grafik işlem birimlerine (GPU) göre optimize edebildiler. Storey, robot simülasyonlarının çoğunda kullanılan temel algoritmaların 1970'ler ve 1980'lere dayandığını, bu algoritmaların GPU'lara pek uygun olmadığını söylüyor. Ekip, aylar içinde sistemlerinin daha önce gördükleri her şeyden çok daha hızlı çalışabildiğini fark etti. Lu, 18 ay sonunda tamamen işlevsel, yüksek performanslı bir simülatöre sahip olduklarını belirtiyor.

Yazılım o kadar verimli ki Freddo'nun taşıdığı donanımda çalışabiliyor. Bu sayede robot hareket ederken on binlerce simülasyon çalıştırabiliyor. Storey, sistemin geleceğe yaklaşık bir saniye ileriye bakarak 20 bin farklı olasılık kombinasyonunu değerlendirebildiğini açıklıyor. Bu özellik, ortalama bir ev gibi yapılandırılmamış ortamlarda hareket eden robotlar için kritik önem taşıyor. Lu'ya göre insanlar, hayvanlar veya diğer robotlar gibi kontrol dışı unsurlar strateji değişikliği gerektirebilir ve robotun bu beklenmedik olaylara hızla uyum sağlaması gerekir.

Nvidia'dan farklı bir yaklaşım

Vsim, teknolojisi üzerinde çalışan 10 mühendislik bir girişim. Nvidia ise sektörün diğer ucunda yer alıyor; yapay zekâ çipleri pazarına hâkim ve yüzlerce mühendisle lider bir robotik yazılım bölümüne sahip. Nvidia robot üretmiyor, bunun yerine kuruluşların robotları eğitip kontrol etmesini sağlayan bir yazılım paketi sunuyor. Bunlar arasında sanal simülasyon eğitim sistemleri ve Cosmos adlı, robotlara gerçek dünyanın fiziğini ve hareket ettikçe çevresinin nasıl değişebileceğini anlatan bir dünya modeli de bulunuyor.

Ancak Nvidia'nın güçlü bilgisayar kaynaklarına rağmen yazılım, gerçek dünyayı yalnızca temel düzeyde anlayabiliyor. Nvidia'da robotik ürün direktörü Spencer Huang, bir şişeyi kavramanın çok zor olmadığını, asıl sorunun uzun vadeli görevlerde başladığını söylüyor. Yine de önemli ilerleme kaydedildiğini belirten Huang, bu yıl Nvidia'nın robot eğitmek için sanal ortamlar oluşturmada ve eğitim çözümlerinin işe yarayıp yaramadığını doğrulamada yapay zekâ ajanlarını kullanmaya başladığını aktarıyor.

Simülasyon tek eğitim yöntemi değil; robotlar insan veya video gösterimlerini izleyerek de eğitilebiliyor. Cambridge Üniversitesi Bilgisayar Bilimi ve Teknolojisi Bölümü'nde doçent olan Rika Antonova, 2015'ten bu yana robotik alanında çalışıyor. Google'ın DeepMind'ına ait olan ve 2021'den beri açık kaynaklı MuJoCo adlı eğitim sistemiyle çalışan Antonova, Vsim'in çok hızlı simülasyon yaklaşımını umut verici buluyor. Ancak simülasyon ortamlarının hâlâ gerçek dünyanın kaba bir yaklaşımı olduğunu, yüksek düzeyde esnek nesneler ve kesme gibi bazı şeylerin simülasyonda modellenmesinin zor olduğunu vurguluyor. Vsim'de Lu, sistemlerinin yaklaşım hatasını azalttığını ve gerçekte de simülasyondaki kadar iyi çalışan modeller eğittiğini söylüyor. Yakında Nacho adlı ikinci bir robot da bu teknolojinin geliştirilmesine yardımcı olacak.